El anonimizador automático de resoluciones judiciales del RIK — la herramienta de ML de Estonia para ocultar datos personales en casi 80.000 sentencias

Las resoluciones de los tribunales estonios deben tener los datos personales eliminados antes de publicarse en el Sistema de Información Judicial público, pero redactar manualmente sentencias largas —algunas de más de 50 páginas, con múltiples nombres, códigos de identificación, fechas de nacimiento, direcciones, números de teléfono, IBAN y direcciones de correo electrónico— es lento y propenso a errores. El Centro de Registros y Sistemas de Información (RIK), la agencia gubernamental de TI adscrita al Ministerio de Justicia y Asuntos Digitales de Estonia, encargó a la empresa de tecnología lingüística TEXTA OÜ automatizar el proceso.

TEXTA construyó un flujo híbrido que combina un modelo estadístico de Campos Aleatorios Condicionales, un modelo neuronal de reconocimiento de entidades nombradas Stanford Stanza, y extractores basados en reglas (regex) para identificadores estructurados como correos electrónicos, IBAN y códigos de identificación, entrenado con un corpus de textos judiciales estonios anotado a medida. El RIK utilizó la herramienta para anonimizar y republicar cerca de 80.000 resoluciones judiciales históricas en el Sistema de Información Judicial, un atraso acumulado que habría sido inviable resolver manualmente.

En su propia prueba comparativa, el modelo resultante de TEXTA etiquetó un 99% más de nombres de personas y aproximadamente el triple de nombres de organizaciones que el modelo de código abierto EstNER ya existente en Estonia, sobre el mismo conjunto de datos de causas judiciales. En enero de 2026, el Portal Europa Interoperable de la Comisión Europea destacó la herramienta en su colección Justice & AI Toolbox como buena práctica reutilizable para otros Estados miembros de la UE que construyan sistemas similares de transparencia judicial.

Ni el RIK, ni TEXTA, ni el Ministerio han publicado una auditoría de precisión independiente y externa del modelo de anonimización —que cubra, por ejemplo, su tasa de fallos en formatos de nombres poco habituales o en documentos con formato no estándar—, y las cifras de precisión/exhaustividad reportadas provienen únicamente de la prueba comparativa interna de TEXTA, no de una evaluación ordenada judicialmente, por lo que el riesgo residual de que un dato personal no redactado aparezca en una resolución publicada no está cuantificado de forma independiente.